2023年股票分析工具专题报告 高频选股因子介绍和分类体系

一、高频选股因子介绍和分类体系

1.1、高频选股因子引言

随着国内市场传统因子选股的广泛应用，对公司的基本情况、财务状况以及日间量价关系等低频数据的挖 掘已经趋于饱和，以往有效因子也逐渐失效，市场对新信息的挖掘提出了迫切的需求。高频数据中蕴含了丰富 的市场交易信息，它能带我们通过数据窥探知情交易者的隐藏信息，也让我们更近距离地感受市场交易者的情 绪，从而帮助我们更准确地拿捏市场股票价格的走势。 高频数据的类型可分为盘口数据（利用买一到买十、卖一到卖十的价格和委托数量）、高频量价（利用分钟 甚至更高频率的最高最低收盘开盘价格和成交量、成交笔数等）、成交数据（每笔的成交具体数据）、订单流数 据（每笔委托数据）等等。

1.2、高频选股因子分类体系

本报告对之前的五篇高频报告《高频量价选股因子初探》、《买卖报单流动性因子构建》、《高频订单失衡及 价差因子》、《多层次订单失衡及订单斜率因子》、《流动性因子系统解读与再增强》进行了简单的总结，并且在 这个基础上新增了和资金流相关的高频因子，并根据上述的因子构建了分类体系。

1.3、高频因子低频化方法

1.3.1、月因子的低频化方法

我们采用下面的具体流程把高频因子转为我们常用的月度低频选股因子。首先因为股票的盘口挂单强弱受 到市场总体走势的影响，因此我们需要对各股票进行截面标准化以剔除市场对个股的影响。 然后我们把标准化后的分钟因子转换成日频因子，我们采用了等权的方法。下面是日度因子的构造方法， 其中 N 为第 j 天总共的分钟数： Factorj,k = ∑ Factorj,k N 为了剔除每天市场的印象，我们对日因子进行标准化。,为股票 k 第 j 天的因子值，_,为截 面因子均值，_,表示截面因子的标准差： Factor ̂j,k = Factorj,k − _Factorj,k _Factorj,k。

最后我们把日因子转换成月因子，需要对过去的信息进行汇总，在这里使用衰减加权的方法，对于月频， 采取使用过去 20 个交易日的因子值，考虑到信息的时效性问题，离换仓日越远的信息有效性越弱，所以采用衰 减加权的方法，具体方法如下： Factor ̂k = 1 ∑ j 20 20 =1 × ∑Factor ̂j,k × 20 =1 j 20。

1.3.2、日、周、两周因子的低频化方法

对于日、周、两周低频化的有两种方法，方法一是对过去二十个交易日的因子值进行衰减加权；方法二是 日频换仓的因子直接使用日频因子，周频换仓的因子使用过去五个交易日的因子值进行衰减加权，两周频换仓 的因子使用过去十个交易日的因子值进行衰减加权。可以发现，方法一虽然多空年化收益比方法二略差，但是由于换手率比方法二更小，所以考虑手续费后的 多空收益会比较接近甚至有些情况多空要好于方法二的构造。为了能让无手续费的多空收益能有效提高，同时 有效降低组合的换手率，所以以下的两周频、周频、日频的因子构建均采用方法一来进行构造。

1.4、因子测试框架

本报告当中的所有因子测试都使用以下框架进行测试： 回测时间：高频类因子（2010 年 2 月-2022 年 6 月），日频类因子（2010 年 1 月-2022 年 6 月） 样本池：全市场、中证 1000、中证 500、沪深 300 股票筛选：剔除在调仓日的停牌、一字板、上市未满半年和 ST 股票 调仓时间：月频调仓（每个月的最后一个交易日）、两周频调仓（每十个交易日的最后一天）、周频调仓（每 五个交易日的最后一天）、日频调仓（每个交易日） 因子处理：极值处理（剔除 3 倍标准差之外的样本）、缺失值处理（直接剔除） 多空收益分析分位数：10 分位 手续费：千分之 1.5。

二、高频因子分类1：订单失衡类

2.1、订单失衡类因子介绍

第一类因子为订单失衡类因子，主要是利用日内盘口数据对是量价数据进行了研究。盘口数据包括股票的 委托买卖价格以及委托交易量数据，其反应了当前时刻的投资者情绪和市场的预期。具体参考《高频量价选股 因子初探》和《高频订单失衡及价差因子》、《多层次订单失衡及订单斜率因子》。

这一部分主要介绍 VOI、OFI、OIR、SOIR、PIR 五个因子，这五个因子都是使用 level1 当中的买一到买五、 卖一到卖五的委托价格和委托数量构造而成的。对于月频测试结果而言，多空年化收益为 15.02%、19.68%、15.91%、 21.40%、22.41%。 订单失衡类因子的投资逻辑体现在短期买盘压力大的时候长期的股票收益率往往是呈负相关的关系。从散 户来看，在短期内散户容易存在追高杀跌行为。短期追高，价格上涨，但随着时间的累积，价格会逐渐处于高 位，长期来看价格会回落；从主力的角度来看，主力对市场的短时操纵造成了价格的涨跌。强的买卖压力一般 是大单交易造成的，大单交易很可能是主力的“对倒”行为，其目的主要是吸引散户。

2.2、订单失衡类因子定义与构建

2.2.1、VOI因子

根据每个股票的分钟委托数据，可以计算买卖委托之间的订单数量失衡程度 VOI（Volume Order Imbalance）： 1 = ∆ − ∆ ∆ = { 0 < −1 −−1 = −1 > −1 ∆ = { < −1 − −1 = −1 0 > −1 式中 和 分别为 t 时刻的买一价和卖一价， 和 分别是 t 时刻的买一和卖一的委托量。 上述传统的 VOI 指标计算只考虑了买一、卖一的委托价格和委托数量，在这里我们用衰减加权的方式对五 档的委托量和委托价格进行加权平均，再计算 VOI 的值，即： () = ∑ ×, () ∑ , () = ∑ ×, () ∑ , = 1 − −1 5 ， = 1,2,3,4,5 2 = ∆ − ∆ 。

2.2.2、MOFI因子

与之前定义的因子不同，在 t 时刻， 因子将当买一价下降和卖一价上升时的订单影响定义为 0，而 将订单的影响定义为负向 t-1 时刻买卖委托量。这相当于考虑了 t-1 时刻到 t 时刻间买卖订单取消或移动的 变化量，有利于充分把握订单变化信息。 1 = ∆ − ∆ ∆ = { −−1 < −1 − −1 = −1 > −1 ∆ = { < −1 − −1 = −1 −−1 > −1 在传统的指标计算的基础上，将指标扩展到不同档位下进行计算，得到 () , i=1,2,3,4,5 进一步的研究发现，高档位 OFI 因子选股效果更优，所以对不同档位进行衰减加权: _ℎ = ∑ × , () ∑ , = 5 , = 1,2,3,4,5。

2.2.3、OIR因子

根据每个股票的分钟委托数据的委托量，可以计算买卖委托之间的订单数量失衡比例 OIR（Order Imbalance Ratio）: = − + () = ∑ ×, () ∑ , = 1 − −1 5 ， = 1,2,3,4,5 OIR 为买卖委托量差与其和的比值，衡量了不均衡程度在其总买卖委托量中的占比。

2.2.4、SOIR因子

OIR 是通过先将盘口委托数量衰减加权平均的方法，将不同档位的数据利用起来；而 SOIR 则是先计算每档 的委托数量失衡比例，然后再加权的方法，将不同档位的利用起来: , = , − , , + , = ∑ , 5 =1 ∑ 5 =1 , = 1− −1 5 ， = 1,2,3,4,5 SOIR 反应了盘口各档综合的买卖委托量不均衡程度。

2.2.5、PIR因子

PIR 和 OIR 的计算方法非常接近，只是将委托量的数据变为委托的价格进行计算。根据每个股票的分钟委托 数据，可以计算买卖委托之间的价格比例 PIR（Price Imbalance Ratio）: = − + 。 () = ∑ ×, () ∑ , = 1− −1 5 ， = 1,2,3,4,5 PIR 为买卖委托价差与其和的比值，从价格的角度描述了买盘的压力。

2.3、订单失衡类因子绩效表现

2.3.1、VOI因子

首先我们展示 VOI 因子的绩效表现：可以看到无论是否考虑手续费，当随着调仓频率的增加时，VOI 因子的 年化多空收益都逐渐升高；同时可以看到手续费对日频因子的年化多空收益影响最大，但是扣费之后多空表现 最好的仍然是日因子。整体来看，VOI 因子在全市场范围内、不同调仓频率下均具有不错的选股能力。

2.3.2、MOFI因子

接着是 MOFI 因子的绩效表现：可以看到在没有手续费的情况下，当随着调仓频率的增加时，MOFI 因子的 年化多空收益逐渐升高；而在扣费的情况下多空年化表现最好的是两周频因子；另外手续费对日频因子的年化 多空收益影响同样是最显著的。整体来看，MOFI 因子在全市场范围内、不同调仓频率下选股能力还是不错的。

2.3.3、OIR因子

然后是 OIR 因子的绩效表现：在不考虑手续费的情况下，OIR 因子的年化多空收益同样随着调仓频率的增加 而逐渐升高；在扣费的情况下多空年化表现最好的是周频因子；另外手续费对日频因子的年化多空收益影响依然 是最大的。整体来看，OIR 因子在全市场范围内、不同调仓频率下选股能力也是不错的。

2.3.4、SOIR因子

再然后是 SOIR 因子的绩效表现：SOIR 因子的多空表现随调仓频率和是否计费的变化与 OIR 因子是一样的； 但是整体而言 SOIR 因子的多空年化收益相比 OIR 因子均有所提升。相比 OIR 因子，SOIR 因子在全市场范围内、 不同调仓频率下选股能力更强。

2.3.5、PIR因子

最后是 PIR 因子的绩效表现：同样地，PIR 因子的多空表现随调仓频率和是否计费的变化也与 OIR 因子是一样 的；相比 SOIR 因子而言，PIR 因子的多空表现有了更进一步的提升。总的来说，PIR 因子在全市场范围内、不同调 仓频率下的选股能力是五类订单失衡类因子中最强的。

三、高频因子分类2：量价类

3.1、量价类因子介绍

第二类因子为量价类因子。主要利用高频的价格数据，包括了高频的平均成交价格、买一价、卖一价和收 盘价。

其中 MPB 因子通过成交均价进行因子构建，MPC、MPC_max、MPC_skew 则是通过中间价的特征来构建因 子，MAX 因子是通过识别分钟较大涨幅进行构建，RSJ 因子的构建则是从波动率的方面进行。 MPB、MPC、MPC_max、MPC_skew、MAX、RSJ 六个因子，在月频换仓下的多空年化收益分别为 20.3%、22.64%、 16.85%、17.06%、16.99%、17.14%。 在投资逻辑层面上，MPB、MPC、MAX 都是刻画短期价格上涨的因子，股票的短期上涨往往是由于散户投 资者的追涨杀跌以及机构投资者对于市场的操控造成的，长期来看股价往往会出现回落。MPC_max 和 MPC_skew 则是刻画了市场的极端变化，市场发生极端变化一般是大资金进行市场操纵造成的急涨和急跌，往往也会造成 股价在长时间的过程中进行回落。

3.2、量价类因子定义与构建

3.2.1、MPB因子

MPB 为市价偏离度（Mid-Price Basis），根据每分钟的数据，计算平均市场交易价格与平均市场中间价的差， 具体计算方法如下： = ̅̅̅̅ − + −1 2 = ̅̅̅̅ − ̅̅̅̅̅ = + 2 ̅̅̅̅ = { ≠ 0 ̅̅̅̅ −1 = 0 其中̅̅̅̅ 表示平均交易价格，为买一价和卖一价的平均。当一时间段内，交易均价高于平均中间价格，交 易均价更接近卖一价，卖方发起的交易，此时卖压大，未来的价格趋向下行的可能性大，且差值越大，未 来价格走低的可能性就越高，因此交易均价将像市场平均中间价格回归。反之亦然，平均交易价格在平均中间 价附近上下波动。

3.2.2、MPC因子

MPC（Midpoint Price Change）因子衡量的是市场中间价的短期变动趋势，该趋势刻画了市场交易者的最新 交易和挂单撤单行为，反应了市场交易者对股票价格未来走势的最新预期。 和 分别为 t 时刻的买一价和卖 一价，市场中间价为买一价和卖一价的平均值。−代表 k 分钟前的中间价，在本文中，k 取 k = 5： , = − − − = + 2 当市场中间价出现上升时，此时可能是发生了大量的主动买入交易，使得卖一价上升，或是有交易者以高 于当前买一价的价格下了限价订单，使得买一价上升，这两种情况都反应了市场交易者对未来股价走势的乐观 预期。因此，MPC 为正说明股票未来短期价格趋向上涨，且 MPC 的值越大，其上涨的概率越高，反之亦然。但 是长期来说，短期上升的股票会出现一定的回落，可以称为一个反转指标。

3.2.3、MPC_max和MPC_skew因子

为刻画市场中间价的极端变动情况，我们构建了分钟频 MPC 因子的日频最大值即 MPC_max 因子和分钟频 MPC 因子的日频偏度即 MPC_skew 因子，前者直接描述了中间价的最大变动幅度；后者则描述了中间价的极端 变动偏离平均值的幅度。具体公式如下所示： ,, = , − ,− ,− _, = {,,, = +1, … , }。

_, = 1 − 1 ∑ ( ,, − ,, ̅̅̅̅̅̅̅̅̅̅̅ ,, ) 3 =+1 式中,为日期 d 当天分钟频,因子的最大值，,,代表日期 d 的 t 时刻的,因子，代表 日期 d 的交易分钟数。 一般来说，市场中间价的大幅变动一般是由主力的大单交易造成的，，大单交易很可能是主力的“对倒”行 为，其目的主要是吸引散户，从长期来看，市场价格则会回落，因此长期来看市场中间价的极端变动与股票收 益显著负相关。

3.2.4、MAX因子

MAX 指标是指当天涨幅的前百分之十推动的股票具体涨幅，具体计算公式如下：用分钟数据计算每天的推 动涨幅：假设在第 t 天里面，涨幅最大的前百分之十的分钟涨幅属于集合，即 ∈ ，第 t 天的 MAX 值定义为： = ∏ (1 + ) ∈ 短时间的较大涨幅往往是大资金推动的，投机性投资者也更加倾向于购买短时间升幅较大的股票，行为金 融学把这种股票称为“彩票型股票”，这种股票在短期内更容易获得较大的收益。但是将时间线放长到月频的时 候，这些投机者会纷纷离场，造成股票的价格的下跌。

3.2.5、RSJ因子

RSJ（Relative Signed Jump）指标是指已实现上行波动率和已实现下行波动率之间的比例不对称性，具体计 算公式如下： 首先用分钟数据计算每天已实现总体波动率： = ∑ , 2 =1 ,上行已实现波动率定义为：_ = ∑ , 2 ∙ ,>0 =1 , 下行已实现波动率定义为：_ = ∑ , 2 ∙ ,<0 =1 。上下行波动率的不对称比例 RSJ 定义为： = _ − _ RSJ 指标的投资逻辑来自于行为金融学的解释，上行波动率和下行波动率的大小来源于投资者对于短时间内大幅 度上涨和下跌的过度反应，如果上涨时的过度反应减去下跌时的过度反应的值比较大，说明资金对于股票上涨 持看好预期。

3.3、量价类因子绩效表现

3.3.1、MPB因子

首先是 MPB 因子的绩效表现：可以看到无论是否考虑手续费，当随着调仓频率的增加时，MPB 因子的年化 多空收益都逐渐升高；同时可以看到手续费对日频因子的年化多空收益影响最大，但是扣费之后多空表现最好 的仍然是日因子；MPB 日频因子的多空年化收益非常高，不计费的情况下可以达到 68%，即使扣除手续费后也 有接近 41%的多空年化。整体来看，MPB 因子在全市场范围内、不同调仓频率下均具有不错的选股能力，尤其 是对于日频因子而言，MPB 因子选股能力显著。

3.3.2、MPC因子

接下来是 MPC 因子的绩效表现：MPC 因子的多空表现随调仓频率和是否计费的变化与 MPB 因子是一样的； 但是整体而言 MPC 因子的多空年化收益相比 MPB 因子均有所提升；在日频调仓的情况下，MPC 因子的多空年 化收益可以达到 72.41%，扣费之后也有 43.33%。总的来看，MPC 因子在全市场范围内、不同调仓频率下选股能 力比 MPB 因子更强，具有非常不错的选股能力。

3.3.3、MPC_max和MPC_skew因子

然后是 MPC_max 因子的绩效表现：与 MPC 因子类似，可以看到无论是否考虑手续费，当随着调仓频率的增 加时，MPC_max 因子的年化多空收益都逐渐升高；同时可以看到手续费对日频因子的年化多空收益影响最大，但 是扣费之后多空表现最好的仍然是日因子。整体来看，MPC_max 因子在全市场范围内、不同调仓频率下均具有不 错的选股能力。

再然后是 MPC_skew 因子的绩效表现：MPC_skew 因子的多空表现随调仓频率和是否计费的变化与 MPC_max 因子是一样的；同样可以看到手续费对日频因子的年化多空收益影响最大，但是扣费之后多空表现最好的仍然是 日因子；相比 MPC_max 因子，MPC_skew 日因子在不扣费情况下的多空年化收益更高，可以达到 62.11%。整体 来看，MPC_skew 因子在全市场范围内、不同调仓频率下同样均具有不错的选股能力。

3.3.4、MAX因子

再接下来是 MAX 因子的绩效表现：与前述四个量价因子类似，MAX 因子的多空年化收益在无论是否扣费的 情况下都是随调仓频率的增加而升高的；同样地，手续费对日频因子的年化多空收益影响也最大，并且扣费之后 多空表现最好的仍然是日因子；整体来看，MAX 因子在全市场范围内、不同调仓频率下同样均具有不错的选股能 力。

3.3.4、RSJ 因子

最后是 RSJ 因子的绩效表现： RSJ 因子的多空表现随调仓频率和是否计费的变化与前述 5 个量价类因子是一 样的；同样地，手续费对日频因子的年化多空收益影响也最大，扣费之后多空表现最好的仍然是日因子；整体来 看，RSJ 因子在全市场范围内、不同调仓频率下同样均具有不错的选股能力。

四、高频因子分类3：流动性类

4.1、流动性类因子介绍

第三类因子为流动性类因子，主要刻画特定股票的流动性情况，其中 ILLIQ、ILLIQ2、LSIlliq、Gamma 是通过 日频的量价数据构造的。Lambda 是通过高频量价数据构造的，LogquoteSlope、MCI_B 是通过委托数据进行构造 的。具体参考《流动性因子系统解读与再增强》、《买卖报单流动性因子构建》、《多层次订单失衡及订单斜率因 子》。 在月频调仓的情况下，ILLIQ、ILLIQ2、LSIlliq、Gamma 、lambda、 LogquoteSlope、MCI_B 这七个因子的多 空年化收益分别为 24.66%、30.38%、23.11%、32.35%、29.13%、22.94%、26.18%。 从投资逻辑上来看，这七个因子均是值越大代表股票的流动性越差，流动性差就会出现低流动性溢价，导 致未来的股票呈上涨趋势。

4.2、流动性类因子定义与构建

4.2.1、ILLIQ因子

传统非流动性因子 ILLIQ 是由 Amihud(2004)提出的，是目前采用的最广泛的市场冲击指标之一。 对于股票 i 在月末 t，其计算方法如下: , = |,/,|， 其中，上划线代表求变量平均，,为股票 i 在 d 日的收益率， ,为股票 i 在 d 日的成交额。可以看到，非流 动性因子等于区间收益率的绝对值与区间成交金额的比值，它衡量的是单位成交金额所能够驱动的个股收益率 的变化幅度。 当 指标越高时，说明较小的成交量就能够导致较大幅度的价格变化，这意味着这笔交易对于个股价 格的冲击较大，从某种层面意味着个股的流动性越差。

4.2.2、ILLIQ2和LSIlliq因子

参考 Amihud(2020)对非流动性指标进行拆解的方式，我们构建了改进的非流动性因子。具体的拆解步骤如 下： 第一步，对于日度的非流动性因子，将其拆开成如下表达式： (|,| ⁄ ,) = (|,|) ∙ (1/,) + (|,|, 1/,) 第二步，对(|,|, 1/,)进行一阶泰勒展开展开，得到如下表达式： (|,|, 1/,) ≈ − (|,|, ,) ([,]) 2 = − (|,|, ,) (,) ∗ (,) ([,]) 2 = − ∗ 2 其中， 是|,|对,回归的斜率系数，是,的变异系数。

第三步，根据 Lou 和 Shu(2017)对非流动性的度量，得到如下表达式： , = |,| ̅̅̅̅̅̅ ∙ 1 ⁄ , ̅̅̅̅̅̅̅̅̅̅ , [ − 1,] 第四步，综合以上推导公式，得到改进非流动性因子： 2, = , − ∗ 2 从逻辑上讲， 反映了绝对价格变化和成交量之间的正相关关系。2显然是正的，会对股票预期收益产 生负向影响，即较高的2为投资者提供了更多的交易机会，使得流动性上升，因此必然引起收益率下降。综 合来看，预期收益随− ∗ 2增加而增加。本质上，改进非流动性因子也是遵循“低流动性溢价”的逻辑，改 进非流动性因子值越大，流动性越差，预期未来的收益越高。

4.2.3、Gamma因子

参考文献刻画成交额对收益率的影响力度，构建增强非流动性因子。具体的构建方式如下：在每月末，对 股票 i 过去一个月的数据进行如下回归： , = , + , × ,−1 + , × (,) × , + , , [ − 1,] 其中，,是,对(,) × ,回归的斜率系数，即为所构造的增强非流动性因子。 增强非流动性因子度量了带方向的成交额对收益率的影响，其更精细地刻画了成交额对股票收益的 冲击。 逻辑上，增强非流动性因子越大，说明成交额对股票收益的冲击越大，股票的流动性越差，未来的 预期收益越高。

4.2.4、Lambda因子

参考文献从高频视角刻画成交额对收益率的影响力度，构建增强高频因子。具体的构建方式如下：在每月 末，对股票 i 过去一个月的数据进行如下回归： = + × ( ) × + 其中，是第 n 个 30 分钟周期内的股票收益，是第 n 个 30 分钟周期内的成交金额，是对( ) × 回归的斜率系数，即为所构造的增强高频因子。 增强高频因子度量了带方向的成交额对收益率的影响，其更精细地刻画了成交额对股票收益的冲击。 逻辑上，增强高频因子越大，说明成交额对股票收益的冲击越大，股票的流动性越差，未来的预期 收益越高。

4.2.5、LogquoteSlope因子

为了描述盘口的形状，斜率一直是一个很好的指标，在这里，通过分钟数据的委托量和委托价格，在买卖之间构建起对应的斜率因子，具体计算公式如下: = log( )− log() ( )+ ( ) 其中，和 分别表示卖一价和买一价， 和 分别表示卖一量和买一量。同时订单量考虑了订单的方向， 假设卖为正，买为负，因此卖一量为 ，买一量为− 。考虑到和买卖价格的序列并不是正态分布的， 因此，通过取对数得到log( ) 和 log()，能够让价格序列接近正态分布，增加因子的平稳性。同样，订单量 也采用对数的形式，买量定义为( ) ，卖量为−( )。 订单斜率因子其实是一种流动性因子，因子值越大，代表买卖价差越大或者订单量越薄，表明股票的流动 性越差，因此其长期具有流动性风险溢价，长期表现越好。

4.2.6、MCI_B因子

MCI（Marginal Cost of Immediacy，边际交易成本）指标是使用盘口的委托数量和委托价格数据构建的盘口 流动性因子。其定义如下： 定义中间价 M： = ,1+,1 2 总买卖价均价() = ∑ (), ×(), ∑ (), = () ∑ (), , = ∑ , × , 为了各个股票可比，统一资金买入资金数量，边际交易成本：() = () () 对于买单流动性因子，其衡量的是发起市价交易的卖方所付出的交易费用；从短期来看，较大时， 发起市价交易的卖方要付出较大的费用卖出股票，说明股票的流动性差。

4.3、流动性类因子绩效表现

4.3.1、ILLIQ因子

首先是 ILLIQ 因子的绩效表现：可以看到无论是否考虑手续费，ILLIQ 因子的年化多空收益随调仓频率 的变化不大；另外手续费对 ILLIQ 因子的多空年化收益影响也不大，这说明 ILLIQ 因子的换手率比较低。整 体来看，ILLIQ 因子在全市场范围内、不同调仓频率下均具有不错的选股能力。

4.3.2、ILLIQ2和LSIlliq因子

接下来是 ILLIQ2 因子的绩效表现：可以看到相比 ILLIQ 因子，ILLIQ2 因子在不同调仓频率下的多空年化 收益均有大幅提升，日频因子不扣费情况下多空年化收益接近 75%，扣费之后也有 60%的年化多空收益， 这表明 ILLIQ2 因子同样具有换手率较低的特点。整体来看，ILLIQ2 因子在全市场范围内、不同调仓频率下 均具有非常好的选股能力，是我们重点推荐的高频因子之一。再接下来是 LSIlliq 因子的绩效表现：与 ILLIQ 因子类似，LSIlliq 因子的多空年化收益随调仓频率以及是 否扣费的变化也不大。整体来看，LSIlliq 因子在全市场范围内、不同调仓频率下也具有不错的选股能力。

4.3.3、Gamma因子

然后是 Gamma 因子的绩效表现：可以看到 Gamma 因子同样具有多空年化收益随调仓频率以及是否扣 费变化不大的特点；相比 ILLIQ 因子，Gamma 因子的多空年化有显著的提升。整体上来看，Gamma 因子在 全市场范围内、不同调仓频率下具有非常不错的选股能力。

4.3.4、Lambda因子

再然后是 Lambda 因子的绩效表现：Lambda 因子的多空年化收益与 Gamma 因子比较接近；另外同样 可以看到 Lambda 因子同样具有多空年华收益随调仓频率以及是否扣费变化不大的特点。整体上来看， Lambda 因子在全市场范围内、不同调仓频率下也具有非常不错的选股能力。

4.3.5、LogquoteSlope因子

再然后是 LogquoteSlope 因子的绩效表现：LogquoteSlope 因子的多空年化收益与 ILLIQ 因子比较接近； 另外同样 LogquoteSlope 因子同样具有多空年化收益随调仓频率以及是否扣费变化不大的特点。整体上来 看，LogquoteSlope 因子在全市场范围内、不同调仓频率下具有不错的选股能力。

4.3.6、MCI_B因子

最后是 MCI_B 因子的绩效表现：与前述 6 个流动性类因子相比，MCI_B 日频因子的多空年化收益在扣 费之后变化相对要大一些，但是在其他调仓频率下扣费的影响也不大。总的来说，MCI_B 因子在全市场范 围内、不同调仓频率下同样具有不错的选股能力。

五、高频因子分类4：资金流类

5.1、资金流类因子简介

第四类因子为资金流类因子。这一部分的因子主要从高频成交量、成交金额、成交笔数的方向来刻画股票 受资金的关注程度。这一部分分别介绍 PTOR、BNI、MB、BAM、SAM、BACov、SACov 这七个因子。因子 PTOR 通过引入笔数的数据，计算平均每笔的成交金额来构建因子；BNI 和 MB 则是先定义大资金成交 的时间段，再进行因子构建；而 BAM、SAM、BACov、SACov 这四个因子则是通过每笔成交金额的属性来进行因 子的构建。 PTOR、BNI、MB、BAM、SAM、BACov、SACov 这七个因子月频换仓的年化多空收益分别为 21.93%、16.74%、 24.18%、33.37%、32.07%、28.51%、30.74%，均具有比较好的选股能力。

5.2、资金流类因子定义与构建

5.2.1、PTOR因子

PTOR（Per Trade outflow Ratio）表示平均每笔流出金额占比。因子构建方式如下： 首先计算当天一个股票的平均每笔成交金额： = ∑ ,⁄∑ , 接着计算平均单笔流出金额：_ = ∑ =0 , ∙,<0 ∑ =0 , ∙,<0 最后为了让不同股票之间可比，减少市值带来的成交量差异，标准化之后即可得到因子： = _ ⁄ 当单笔流出金额大的时候，短期股票呈下降趋势，但是长期来说，股票价格会逐渐恢复，所以呈上涨趋势。

5.2.2、BNI因子

BNI（大资金流入比例）的定义如下： 首先计算每分钟的单笔成交金额： = ∑ ⁄∑ 每个股票按照每分钟单笔成交金额进行排序，由大到小挑选出前百分之三十的分钟，进行计算，其他时间 的成交忽略不计，设 ∈ 表示第 i 分钟满足单笔成交金额排列前百分之三十。则可以计算当天的大资金净平 均每笔流入： ___ = __⁄∑,∈， 其中__ = ∑ ,(∈&>0) ∙ ,(∈&>0) =0 − ∑ ,(∈&<0) ∙ ,(∈&<0) =0 ，此时可以计算大资金 单笔净流入率占全天的单笔成交金额的比例： = ___⁄ 大资金的流入率越高，短期股票越可能呈上升趋势，但是长期来说会呈下降趋势。

5.2.3、MB因子

MB（大资金驱动涨幅）因子定义如下： 首先计算每分钟的单笔成交金额： = ∑ ⁄∑ 每个股票按照每分钟单笔成交金额进行排序，由大到小挑选出前百分之三十的分钟，进行计算，其他时间 的成交忽略不计。则可以计算当天的大资金驱动涨幅： MB = ∏(1 +) 短期 MB 较大，说明短期上涨比较强烈，这种短时间的强烈上涨往往由于机构进行刻意操纵以及散户进行 追高而导致的，所以长期来说股价会进行回落。所以 MB 越大，股价长期来看下降的趋势会更明显。

5.2.4、BAM和SAM因子

BAM 指标表示主买金额强度（buy amount mean），SAM 指标表示主卖金额强度（sale amount mean），这两 个因子均是直接从天软的因子库中获取的。 对于每笔成交，天软对成交类型有下述定义：如果当前成交价格大于上一笔买 1 价格，我们把这笔成交称 为 1 类成交；如果当前成交价格小于上一笔卖 1 价格，把这笔成交称为 2 类成交；否则称为 3 类成交（一般发 生在集合竞价、涨停、跌停状况）。 定义主买金额 BAMt = 周期内 1 类成交金额之和 + 周期内3类成交金额之和/2； 主卖金额 SAMt =周期内 2 类成交金额之和+周期内 3 类成交金额之和/2。 在每天当中，对每个股票每分钟的主买成交金额和主卖成交金额进行求均值，得到每个股票每天的因子值 BAM 和 SAM。 短期逻辑来说，主买和主卖的金额比较多的时候，说明有机构对股票进行刻意的操纵，而恶意操纵后的股 价往往呈下降的趋势。

5.2.5、BACov和SACov因子

BACov 指标表示主买金额离散程度 （Buy Amount Coefficient of Variation ），SACov 表示主卖金额离散程度 （Sale Amount Coefficient of Variation ） 对于股票 i 在 t 分钟的主买金额 BAM,t 和主卖金额 AM,t，在一天当中，BACov 和 SACov 分别定义为： BACov = mean(BAM,t)/std(BAM,t) ， SACov = mean(SAM,t)/std(SAM,t)。 其中对于主买和主卖金额的计算与 BAM 和 SAM 的计算方法一致。 当买入金额和卖出金额的离散程度比较大的时候，说明短期内有大资金的参与，股票的活跃程度比较高，短期内股票呈上升趋势。

5.3、资金流类因子绩效表现

5.3.1、PTOR因子

首先是 PTOR 因子的绩效表现：可以看到无论是否考虑手续费，当随着调仓频率的增加时，PTOR 因子的年 化多空收益都逐渐升高；同时可以看到手续费对日频因子的年化多空收益影响最大，但是扣费之后多空表现最 好的仍然是日因子。整体来看，PTOR 因子在全市场范围内、不同调仓频率下均具有不错的选股能力。

5.3.2、BNI因子

接下来是 BNI 因子的绩效表现：与 PTOR 因子类似，可以看到无论是否考虑手续费，当随着调仓频率的增加 时，BNI 因子的年化多空收益也都逐渐升高；同时手续费对日频因子的年化多空收益影响也最大。整体来看， BNI 因子在全市场范围内、不同调仓频率下均具有不错的选股能力。

5.3.3、MB因子

再接下来是 MB 因子的绩效表现：与前面两个资金流类因子类似，可以看到在不扣费的情况下，当随着调 仓频率的增加时，MB 因子的年化多空收益也都逐渐升高；同时手续费对日频因子的年化多空收益影响也最大， 并且扣费之后多空表现最好的仍然是日因子。整体来看，MB 因子在全市场范围内、不同调仓频率下均具有不错 的选股能力。

5.3.4、BAM和SAM因子

然后是 BAM 因子的绩效表现：可以看到 BAM 因子的多空年化收益在扣费之后变化比较小，说明 BAM 因子 的换手率比较低；并且在不同调仓频率下的多空年化收益均维持在较高的水平。综合来看，BAM 因子在全市场 范围内、不同调仓频率下均具有非常好的选股能力，是我们重点推荐的高频因子之一。

再然后是 SAM 因子的绩效表现：与 BAM 因子的表现类似，可以看到 SAM 因子的多空年化收益在扣费之后变 化也比较小，说明 SAM 因子的换手率同样比较低；并且在不同调仓频率下的多空年化收益均维持在较高的水平。 综合来看，SAM 因子在全市场范围内、不同调仓频率下均具有非常好的选股能力，是我们重点推荐的高频因子之 一。

5.3.5、BACov和SACov因子

接下来是 BACov 因子的绩效表现：可以看到 BACov 因子的多空年化收益在扣费之后变化同样比较小，说明 BACov 因子的换手率也比较低；并且在不同调仓频率下的多空年化收益均维持在较高的水平。综合来看，BACov 因子在全市场范围内、不同调仓频率下均具有非常好的选股能力。最后是 SACov 因子的绩效表现：与 BACov 因子的表现类似，可以看到 SACov 因子的多空年化收益在扣费之后 变化也比较小，说明 SACov 因子的换手率比较低；并且在不同调仓频率下的多空年化收益均维持在较高的水平。 综合来看，SACov 因子在全市场范围内、不同调仓频率下也均具有非常好的选股能力。

六、高频因子中性化后及在不同指数样本池内的测试结果

6.1、高频因子市值行业中性化后效果对比

可以看到这些因子在作市值行业中性化后稳定性变得更好了，同时部分因子的年化收益也有一定程度的提 升，其余因子的多空年化收益变化也不大。这说明这些因子需要进行市值行业中性化，在作中性化后效果会更 好。我们可以从下述多空收益曲线中看出中性化后这些因子稳定性明显增强，多空收益也有一定程度提升。

6.2、高频因子在全市场样本池内的测试效果

首先我们展示这四类高频因子在全市场样本池内的绩效表现：可以看到四类高频因子均获得了不错的多空 收益，在全市场样本池内均具有不错的选股能力。从多空表现来看，这四类高频因子基本都满足随着调仓频率 的增加，因子的多空年化收益也增大的趋势。从多空年化收益来看，订单失衡类因子的多空年化收益在 15%-40% 之间；量价类因子的多空年化收益在 20%-70%之间；流动性类因子的多空年化收益在 25%-75%之间；资金流类 因子的多空年化收益在 20%-70%之间。

6.3、高频因子在中证1000样本池内的测试效果

接下来我们展示这四类因子在中证 1000 样本池内的测试结果：相比在全市场样本池内，四类高频因子在中 证 1000 样本池内获得了更好的多空表现，具有更强的选股能力，这说明这些因子在小市值股票中的表现要更好。 具体来看，订单失衡类因子的多空年化收益在 20%-50%之间；量价类因子的多空年化收益在 20%-80%之间；流 动性类因子的多空年化收益在 25%-70%之间；资金流类因子的多空年化收益在 15%-65%之间。

6.4、高频因子在中证500样本池内的测试效果

然后我们展示四类高频因子在中证 500 样本池内的测试结果：相比在全市场样本池内的测试结果，四类高 频因子的多空表现在中证 500 样本池内有一定程度弱化，但整体来看依然具有不错的选股能力。具体来说，订 单失衡类因子的多空年化收益在 10%-50%之间；量价类因子的多空年化收益在 10%-40%之间；流动性类因子的 多空年化收益在 15%-50%之间；资金流类因子的多空年化收益在 10%-45%之间，订单失衡类因子和流动性类因 子的表现相比较而言要更好一些。

6.5、高频因子在沪深300样本池内的测试效果

最后是四类高频因子在沪深 300 样本池内的测试结果：可以看到在沪深 300 样本池内订单失衡类和量价类 因子仍然是有效的，订单失衡类因子的多空收益在 10%-40%之间，量价类因子的多空收益在 5%-35%之间。对于 流动性类因子和资金流类因子，由于市值越大，基金重仓股受资金影响越低，因此这两类因子在沪深 300 样本 池内多空表现偏弱。

七、总结

高频数据中蕴含了丰富的市场交易信息，它能带我们通过数据窥探知情交易者的隐藏信息，也让我们更近 距离地感受市场交易者的情绪，从而帮助我们更准确地拿捏市场股票价格的走势。本文对之前的五篇高频报告 《高频量价选股因子初探》、《买卖报单流动性因子构建》、《高频订单失衡及价差因子》、《多层次订单失衡及订 单斜率因子》、《流动性因子系统解读与再增强》中构建的高频因子进行了总结和归纳，并且在这个基础上新增 了和资金流相关的高频因子，我们根据因子的意义将所研究的 25 个因子分为订单失衡类、流动性类、资金流类 和量价类四种类型构建因子分类体系。

我们研究了这些因子在日频、周频、两周频、月频上的因子表现，并且 测试了这些因子在市值行业中性化后以及在中证 1000、中证 500、沪深 300 指数样本池内的表现。我们的测试 结果发现在不同调仓频率下绝大部分因子随着调仓频率增加多空年化逐渐提高。在作市值行业中性化后这些因 子的收益和稳定性均有所提高。四类高频因子在全市场、中证 1000、中证 500 样本池内均有不错的选股能力， 并且四类因子在中证 1000 样本池内的表现要优于在全市场样本池内的表现；在沪深 300 样本池内，订单失衡类 和量价类因子也依然有效。

第一部分首先回顾了目前低频因子挖掘所遇到的瓶颈，同时阐述了研究高频因子的必要性。在此基础上， 我们简单回顾了之前的高频因子研究结果，并给出了高频因子的研究框架。同时，我们对高频因子低频化的不 同方法所构建因子的表现进行了对比，通过选择换手率更低的方法进行因子构建并进行后续测试。 第二部分介绍了五个订单失衡类因子的构建及因子绩效表现。对于订单失衡类因子，由于短期买盘压力大 的时候长期的股票收益率往往是呈负相关的关系，因此因子 IC 值均为负值。在月频调仓的情况下，五个订单失 衡类因子均有不错的选股能力，VOI、OFI、OIR、SOIR、PIR 这五个因子的多空年化分别为 15.02%、19.68%、15.91%、 21.40%、22.41%，在不同调仓频率下的多空年化收益在 15%-40%之间。另外订单失衡类因子在所有测试的样本 池内都有不错的选股能力。

第三部分介绍了六个量价类因子的构建及因子绩效表现。在这六个因子中，MPB、MPC、MAX 都是刻画短期价格上涨的因子，股票的短期上涨往往是由于散户投资者的追涨杀跌以及机构投资者对于市场的操控造成的， 长期来看股价往往会出现回落。MPC_max 和 MPC_skew 则是刻画了市场的极端变化，市场发生极端变化一般是 大资金进行市场操纵造成的急涨和急跌，往往也会造成股价在长时间的过程中进行回落。而 RSJ 则是表示波动 率的不对称性。除 RSJ 因子外，其他量价类因子均具有反转的特性，可以用来替代常规的反转类因子。在全市 场范围内，六个月频量价类因子 MPB、MPC、MPC_max、MPC_skew、MAX、RSJ 的多空年化分别为 20.30%、22.64%、 16.85%、17.06%、16.99%、21.35%，在不同调仓频率下的多空年化收益在 20%-70%之间。量价类因子在所有测 试的样本池内都有不错的选股能力。

第四部分介绍了七个流动性类因子的构建及因子绩效表现。这七个流动性因子均是值越大代表股票的流动 性越差，流动性差就会出现低流动性溢价，导致未来的股票呈上涨趋势。流动性类因子的换手率都很低，可以 用来替代常规的换手率因子。七个月频流动性类因子 ILLIQ、ILLIQ2、LSIlliq、Gamma 、lambda、 LogquoteSlope、 MCI_B 的多空年化分别为 24.66%、30.38%、23.11%、32.35%、29.13%、22.94%、26.98%，在不同调仓频率下的 多空年化收益在 25%-75%之间。其中 ILLIQ2 因子在日频调仓情况下多空年化达到 74.34%，并且在不同调仓频率 下多空年化均在 30%以上，是我们重点推荐的因子之一。

第五部分介绍了七个资金流类因子的构建及因子绩效表现。资金流类因子主要从高频成交量、成交金额、 成交笔数的方向来刻画股票受资金的关注程度。七个月频资金流类因子 PTOR、BNI、MB、BAM、SAM、BACov、 SACov 的多空年化分别为 21.93%、16.74%、24.18%、33.37%、32.07%、28.51%、30.74%，在不同调仓频率下的 多空年化收益在 20%-70%之间。其中 BAM 和 SAM 因子在日频调仓情况下的多空年化达到了 60.36%和 55.52%，并且在不同调仓频率下多空年化均在 30%以上，是我们重点推荐的因子。 第六部分比较了高频因子在作市值行业中性化后及在不同样本池内的绩效表现。测试表明这些高频因子在 作市值行业中性化后收益和稳定性均有所提升。不同样本池内的测试结果表明所有四类高频因子在全市场、中 证 1000 和中证 500 指数样本池内均有不错的选股能力；在沪深 300 样本池内，订单失衡类和量价类因子依然具 有不错的选股能力。

编辑：荣耀2020